Aprendizaje automático automatizado (AutoML)

El Aprendizaje Automático Automatizado (AutoML) es el proceso de automatizar las tareas iterativas y que consumen mucho tiempo del desarrollo de modelos de aprendizaje automático (ML). Su objetivo es hacer que los modelos de ML de alto rendimiento sean accesibles para los no expertos y aumentar la productividad de los científicos de datos mediante la automatización de la selección de características, algoritmos y parámetros. Al encargarse de tareas que van desde el preprocesamiento de datos hasta el despliegue de modelos, AutoML agiliza todo el flujo de trabajo, lo que permite una experimentación más rápida y la creación de modelos más precisos y eficientes. Esta automatización es un paso clave para hacer que la IA avanzada sea más accesible y escalable.

Cómo funciona AutoML

Los sistemas AutoML automatizan las partes más repetitivas del pipeline de aprendizaje automático. Un proceso típico de AutoML implica varias etapas clave:

• Preparación de datos e ingeniería de características: Limpieza automática de datos brutos y generación de características significativas para el modelo. Esto puede incluir el manejo de valores faltantes, la normalización y la creación de nuevas variables predictivas a partir de las existentes.
• Selección de modelos: Elegir el algoritmo más adecuado (p. ej., árbol de decisión, máquina de vectores de soporte o una red neuronal) para un problema dado entre una amplia gama de posibilidades.
• Optimización de Hiperparámetros: Búsqueda automática de los hiperparámetros óptimos para el modelo seleccionado. Esto se hace a menudo utilizando estrategias de búsqueda sofisticadas como la optimización bayesiana, la búsqueda en cuadrícula o los algoritmos evolutivos. Ultralytics incorpora esto en sus herramientas para tareas como el ajuste de hiperparámetros.
• Evaluación e iteración del modelo: Evaluación del rendimiento del modelo utilizando métricas como la precisión o la puntuación F1 e iteración a través del proceso para lograr mejores resultados.

Aplicaciones en el mundo real

AutoML se está aplicando en numerosas industrias para acelerar el desarrollo y mejorar los resultados.

1. IA en la Atención Médica: En el análisis de imágenes médicas, AutoML puede probar rápidamente diferentes modelos de segmentación de imágenes para detectar tumores en escaneos. Un sistema podría entrenar y evaluar automáticamente varias arquitecturas en un conjunto de datos como el conjunto de datos de tumores cerebrales, lo que reduciría significativamente el tiempo requerido para que los investigadores desarrollen una herramienta de diagnóstico implementable.
2. Servicios Financieros: Los bancos utilizan AutoML para construir modelos de detección de fraude. Al introducir datos históricos de transacciones en una plataforma AutoML, pueden generar y optimizar automáticamente modelos que identifiquen patrones fraudulentos con alta precisión, una tarea que de otro modo requeriría un extenso esfuerzo manual por parte de los científicos de datos. Esto se explora más a fondo en la visión artificial para las finanzas.

AutoML vs. Conceptos relacionados

Es útil distinguir AutoML de campos relacionados:

• AutoML vs. MLOps: Mientras que AutoML se dirige específicamente a la automatización de la construcción de modelos (selección, entrenamiento, ajuste), Machine Learning Operations (MLOps) cubre todo el ciclo de vida del ML. MLOps incluye la implementación, el monitoreo, la gestión y la gobernanza, asegurando que los modelos operen de manera confiable en producción. AutoML es a menudo un componente dentro de un framework MLOps más grande, agilizando la fase de desarrollo inicial antes de la implementación del modelo y el monitoreo del modelo.
• AutoML vs. NAS: Neural Architecture Search (NAS) es un subcampo de AutoML centrado específicamente en el diseño automático de la arquitectura de redes neuronales. Mientras que NAS automatiza el diseño de la red, las herramientas AutoML más amplias también pueden automatizar la ingeniería de características y el ajuste de hiperparámetros para varios tipos de modelos, no solo las NN.

Herramientas y plataformas de AutoML

Numerosas herramientas y plataformas facilitan AutoML:

• Plataformas en la nube: Los principales proveedores ofrecen servicios AutoML integrados, como Google Cloud AutoML, Amazon SageMaker Autopilot y Microsoft Azure Machine Learning. Estos aprovechan los recursos escalables de computación en la nube. Ultralytics también ofrece Ultralytics HUB Cloud Training.
• Bibliotecas de código abierto: Las bibliotecas populares incluyen Auto-sklearn (basada en scikit-learn), TPOT (que utiliza programación genética) y H2O AutoML. Frameworks como PyTorch y TensorFlow proporcionan la infraestructura subyacente para muchas tareas de ML, incluidas las automatizadas por las herramientas de AutoML.
• Plataformas integradas: Ultralytics HUB incorpora funciones de AutoML, particularmente para el ajuste de hiperparámetros, simplificando el proceso de entrenamiento de modelos personalizados para tareas como la detección de objetos.